AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-22
量子層能否在視覺語言模型中提供效能與安全優勢？
原標題: Can Quantum Layers offer Performance and Security Advantages in Vision-Language Models?
本研究以 LLaVA-OneVision 為骨幹，評估 4 及 8 量子位元的 basic-ring 與強糾纏電路，分別以插入或取代古典元件的方式置於四個位置，並與古典模型比較效能與運算成本。在 Visual Spatial Reasoning 資料集上，於視覺投影器之後插入量子層可達 80.7% 的開發集準確率，較古典完整微調高出 2.28 個百分點；取代最終解碼器的前饋子層，則在可訓練參數減少 1307 萬的情況下仍保有 79.22% 的準確率。效益高低強烈取決於放置位置—較早進行的取代會降低準確率，且參數較少並不一定能可靠地縮短訓練或減少運算—研究亦在六種攻擊設定下評估了穩健性，而這些效益能否泛化仍是未知。